有顺序标识的中文金融事件级情感分析数据集

本研究构建并使用了一个专门面向事件级金融情感分析(EFSA)的高质量专家数据集,旨在支撑模型在复杂语境下的自适应推理与知识增强研究。 其一,多源覆盖与样本规模。数据集语料广泛涵盖了监管公告、企业财务报告、行业动态分析以及主流财经媒体新闻。在总量 12,000 余条的原始语料库中,本研究进一步精选并重构了 1,884 条包含深度逻辑标注的核心样本。这一规模确保了数据分布能够真实模拟金融市场中多实体交织、长尾事件频发的复杂环境。 其二,多维度的结构化标注体系。不同于传统仅标注情感极性的粗粒度数据集,本数据集对每一条样本均执行了严密的五元组映射,涵盖了公司实体、所属行业、粗粒度事件、细粒度事件以及对应的市场情感极性。这种细粒度的属性定义,为模型实现从非结构化文本向多维金融因子的精准转化提供了坚实的事实底座。 其三,首创的逻辑路径与专家纠偏机制。这是本数据集的核心科研增量。本研究遵循“机器生成——逻辑验证——专家修正”的严谨范式,为每一条高质量样本显式标注了唯一的最优推理路径(如 SEA、AES 等)及其背后的语用解释。通过引入具备金融学背景的专家进行逻辑对齐,该数据集不仅解决了金融领域缺乏“推理逻辑”标注数据的痛点,更为研究大语言模型的元认知调节能力与自适应路径规划提供了权威的评价基准。